2026年人工智能（机器学习基础）考题及答案.doc

2026年人工智能（机器学习基础）考题及答案

（考试时间：90分钟 满分100分）
班级______ 姓名______

第I卷（选择题，共30分）
（总共6题，每题5分，每题只有一个正确答案，请将正确答案填在括号内）
w1. 以下关于机器学习中监督学习的说法，正确的是（ ）
A. 监督学习不需要训练数据
B. 监督学习的目标是预测输入数据的类别或数值
C. 监督学习中没有明确的标签
D. 监督学习只能处理分类问题

w2. 在决策树算法中，以下哪个指标通常用于选择最佳分裂属性（ ）
A. 信息增益
B. 均方误差
C. 余弦相似度
D. 欧氏距离

w3. 支持向量机（SVM）的主要作用是（ ）
A. 数据降维
B. 分类和回归
C. 数据可视化
D. 特征提取

w4. 以下哪种算法不属于聚类算法（ ）
A. K-Means算法
B. 决策树算法
C. DBSCAN算法
D. 层次聚类算法

w5. 神经网络中的激活函数的作用是（ ）
A. 增加模型的复杂度
B. 对输入数据进行归一化
C. 引入非线性因素
D. 加速模型训练

w6. 在机器学习中，模型评估指标准确率（Accuracy）的计算公式是（ ）
A. 预测正确的样本数 / 总样本数
B. 预测错误的样本数 / 总样本数
C. （预测正确的正例数 + 预测正确的负例数） / 总样本数
D. （预测错误的正例数 + 预测错误的负例数） / 总样本数

第II卷（非选择题，共70分）

w7. 简答题（15分）
请简要说明机器学习中过拟合和欠拟合的概念，并分别举例说明可能导致过拟合和欠拟合的原因。

w8. 分析题（20分）
给定一个数据集，包含特征X和标签Y，使用K-Means算法进行聚类。请描述K-Means算法的基本步骤，并分析在聚类过程中可能遇到的问题及解决方法。

w9. 算法设计题（15分）
请设计一个简单的线性回归算法，用于预测房价。假设房价与房屋面积、房间数量等因素有关。请说明算法的基本原理，并给出关键步骤的伪代码。

w10. 材料分析题（20分）
材料：在一个图像分类任务中，使用卷积神经网络（CNN）进行训练。训练过程中发现模型的准确率在训练集上很高，但在测试集上很低。
问题：请分析可能导致这种情况的原因，并提出相应的解决方法。

w11. 综合应用题（20分）
请结合所学的机器学习知识，设计一个完整的垃圾邮件分类系统。包括数据收集、数据预处理、特征提取、模型选择与训练、模型评估等步骤，并说明每个步骤的主要方法和技术。

答案：
w1. B
w2. A
w3. B
w4. B
w5. C
w6. A
w7. 过拟合是指模型在训练集上表现很好，但在测试集或新数据上表现很差，过于复杂，学习了数据中的噪声。例如决策树深度过大。原因可能是模型复杂度高、数据量少等。欠拟合是指模型过于简单，无法很好地拟合数据，在训练集和测试集上表现都差。比如线性模型拟合非线性数据。原因可能是模型复杂度低、特征不足等。
w8. K-Means算法步骤：1. 随机选择K个聚类中心。2. 计算每个样本到聚类中心的距离，将样本分配到最近的聚类。3. 重新计算每个聚类的中心。可能问题：初始聚类中心选择影响结果；K值选择困难。解决方法：多次随机初始化取最优；用交叉验证等方法选择K值。
w9. 线性回归基本原理：假设房价与房屋面积、房间数量等因素呈线性关系。关键步骤伪代码：输入房屋面积、房间数量等特征数据；初始化系数；计算预测房价；计算损失函数；通过梯度下降等方法更新系数，直到损失函数收敛。
w10. 原因可能是：1. 模型过拟合，在训练集上学习了噪声。2. 数据泄露，训练集和测试集有重叠。3. 测试集数据分布与训练集差异大。解决方法：1. 简化模型，如剪枝等。2. 重新划分数据集。3. 对数据进行预处理，使分布更一致。
w11. 数据收集：从邮件服务器等收集邮件。数据预处理：清理、分词、去停用词等。特征提取：提取词频、邮件长度等特征。模型选择与训练：可选用朴素贝叶斯等模型训练。模型评估：用准确率、召回率等评估。每个步骤根据具体情况选择合适技术，如用NLTK进行文本处理，用scikit-learn实现模型训练和评估。